封面
声明
中文摘要
英文摘要
目录
符号和缩略词说明
第一章 绪 论
1.1旋转机械运行状态监测与故障预测的研究意义
1.2旋转机械运行状态监测与故障预测的技术研究现状
1.3课题背景与主要研究内容
1.4结论
第二章 轴承故障特征机理及其运行状态故障监测的基本原理
2.1轴承失效与振动机理
2.2轴承运行状态监测与故障预测的基本原理
2.3本文实验平台
2.4结论
第三章 基于LMD与压缩传感的轴承振动信号重建
3.1 轴承故障振动信号重建概述
3.2 LMD基本原理
3.3 非凸罚Lq正则子重构算法
3.4结论
第四章 轴承故障诊断与特征提取技术分析
4.1轴承运行故障诊断与特征提取技术概述
4.2轴承运行故障诊断分析
4.3 轴承故障特征提取技术
4.4结论
第五章 长相关随机模型的轴承运行故障预测分析
5.1 长相关随机模型理论与Hurst参数估计方法
5.2 轴承运行故障预测分析
5.3结论
第六章 总结与展望
6.1全文总结
6.2研究展望
参考文献
攻读硕士学位期间发表的学术论文及取得的相关科研成果
致谢
3、由于变工况及设备自身的非线性影响,轴承振动信号往往表现出非平稳、重复再现性差的特性,传统方法停留在静态分析的基础上,忽略了轴承故障变化的动态信息,提出了谐波小波样本熵与HMM模型相结合的滚动轴承的故障识别方法,采用谐波小波分解轴承振动信号,提取滚动轴承振动信号各层的样本熵构成特征向量序列,输入到HMM模型中进行训练和识别,通过对比对数似然估计概率确定轴承故障类型。实验结果证明了该方法在轴承故障振动信号模式识别具有准确性高、稳定性强等优点。
4、提出了一种基于LMD与谱峭度的轴承故障特征提取方法,采用谱峭度图分析的方法可以准确的识别带通滤波器的中心频率和带宽大小,克服传统对轴承故障载波频率和大小采取主观判断的缺陷,然后对带通滤波后故障信号进行平方包络谱分析,可以准确识别轴承固有转动频率及其倍频、故障特征频率及其倍频。
5、提取振动信号中的趋势预测特征量—振动烈度值,将前期振动烈度值作为非平稳时间序列,采用长相关随机模型(FARIMA)对振动烈度值进行预测,实验结果验证了长相关随机模型的预测优势,同时也证明了通过R/S方法检验非平稳时间序列的有效性。该模型对旋转机械设备状态实时评估和未来预测具有重要意义,为旋转机械设备实现状态维护奠定了基础,提供了建立设备运行状态维护模型的新思路。